Erklärbare neuronale Netze für Preis- und Auftragsflussdynamik

Zusammenfassung

Das Dokument nutzt ein tiefes Feedforward-Netz, um nichtlineare Wechselwirkungen zwischen hochfrequenten Renditen und vorzeichenbehaftetem Handelsvolumen bei Aktien mit großen und kleinen Ticks zu untersuchen. Es vergleicht das Netz mit einer linearen Vektorautoregression (VAR) und nutzt Erklärungen auf Basis von SHAP, um zu ermitteln, wie jüngste verzögerte Eingaben zu Prognosen beitragen. Das Netz verbessert die Prognoseleistung, besonders bei Renditen, und die Erklärungen heben die jüngsten Verzögerungen hervor.

Die Analyse zeigt, dass verzögertes vorzeichenbehaftetes Volumen richtungserhaltende, aber sättigende Effekte hat, während verzögerte Renditen beeinflussen, ob der Auftragsfluss Kursänderungen fortsetzt, abschwächt oder umkehrt. Die modellimplizierten Reaktionen werden mit bedingten, aus den Daten rekonstruierten Durchschnittswerten verglichen. Anschließend nutzen die Autoren diese Muster, um ein interpretierbares nichtlineares parametrisches Modell samt einer Erweiterung mit mehreren Verzögerungen zu erstellen. Es schneidet vergleichbar mit dem neuronalen Netz und besser als die lineare VAR ab. Die Ergebnisse gelten für die untersuchten Aktien und den verwendeten Datensatz. Sie belegen weder Profitabilität noch eine automatische Übertragbarkeit auf andere Märkte.

Kernaussagen

• Ein neuronales Netz kann nichtlineare Abhängigkeiten zwischen Renditen und vorzeichenbehaftetem Volumen aufdecken, die eine lineare VAR nicht erfasst.
• Erklärungen auf Basis von SHAP zeigen, dass die jüngsten Verzögerungen am stärksten zu den Prognosen beitragen.
• Verzögertes vorzeichenbehaftetes Volumen hat richtungserhaltende, aber sättigende Effekte auf Renditen.
• Verzögerte Renditen beeinflussen, ob Effekte des Auftragsflusses anhalten, abnehmen oder sich umkehren.
• Ein interpretierbares nichtlineares Modell kann die Leistung des Netzes annähernd erreichen und zugleich eine Erweiterung mit mehreren Verzögerungen bieten.

Schlagwörter

# Explainable Deep Learning for Price-Trade Dynamics: From Black-Box Forecasts to Effective Parametric Models


# Explainable Deep Learning for Price-Trade Dynamics: From Black-Box Forecasts to Effective Parametric Models









Understanding the joint dynamics of prices and trades is central to market microstructure, where returns and order flow interact through nonlinear and state-dependent mechanisms. Linear models are interpretable but may miss these effects, while deep neural networks improve forecasting at the cost of transparency. We use neural networks as tools for structural discovery rather than only for prediction. A deep feed-forward network is trained on high-frequency returns and signed volumes for large- and small-tick stocks and compared with a linear VAR benchmark. The neural network improves predictive performance, especially for returns, revealing nonlinear dependencies beyond the linear specification. Using Shapley-based explainability, we show that the dominant contributions are concentrated at the most recent lags. Model-implied responses are consistent with conditional averages reconstructed from the data. Unlike empirical averages, however, the neural-network decomposition isolates individual regressor contributions to the aggregate dependence. Lagged signed volume generates sign-preserving and saturating effects, consistent with nonlinear price impact and order-flow persistence. Lagged returns act as state variables: when the previous trade does not move the price, the model predicts continuation in the direction of past order flow, whereas non-zero returns generate attenuation or reversal. Building on these findings, we introduce a parsimonious SHAP-inspired nonlinear parametric model. It reproduces the main return-volume dependencies, outperforms the linear VAR benchmark, and achieves performance comparable to the neural network. A multi-lag extension captures residual longer-memory effects while preserving interpretability. Overall, explainability offers a route from black-box prediction to economically meaningful parametric models of price and trade dynamics.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.